电力市场化改革使价格预测精度成为市场主体决策的核心变量。短期电价受供需格局、气象条件、机组组合及市场博弈等多维因素耦合驱动，呈现非线性、多周期性与波动聚集特征，传统时序模型对此类复杂映射关系的刻画能力不足。本文构建融合多源异构数据的机器学习短期电价预测框架，从数据整合、特征工程与模型选型三个层面展开研究。在数据层，整合电力系统运行参数与外部气象变量，建立标准化质量管控与时间对齐机制；在特征层，设计涵盖日历周期、时序衍生与波动率测度的多维特征体系；在模型层，采用梯度提升树集成学习算法捕捉高维非线性关系，并引入分级递进的信息补全策略解决预测期输入不完整问题。基于某省级电力现货市场实际数据的实验表明，所提方法在RMSE、MAE、MAPE三项指标上均显著优于ARIMA与LSTM基准模型，验证了数据驱动技术路线在短期电价预测中的工程可行性与实用价值。